理論與現實,人工智慧“活著”比你想象要困難
一直以來智慧機器人總是以模仿人類為出發點去開發,也是人工智慧不變的方向,從聲音到步態,從協調性與靈敏度,都是業界難題。但是透過機器學習,這樣的難題或許能被改善。
不論是呼喚同伴,低沉咆哮還是奮力追趕、摔倒、爬起,這些對於自然界的生物來說都是與生俱來的本能。而眾所周知,優雅地行走還是自然地抓取,機器人在這方面的表現一直不盡如人意,步態運動的協調性和機器手的靈巧度一直是業界難題。
但現在,情況正一點點發生變化。
據日前英國《自然》新聞與觀點文章稱,歷經幾十年,機器人終於在機器學習的幫助下,開始掌握自然地行走、奔跑和抓物的技能了。這一突破,被認為拉開了具有“物理靈活性”的人工智慧時代的序幕,同時,開啟了一個“機器人自主時代”。
機器人“活得”比你想的要難,一個機器人的“生命”,是從模擬開始的,例如在軟體層面中的語音系統也是工程師堆堆砌的演算法,然後植入到系統軟體之中達成的,從最初的聲紋模仿,語音修改,到後來人機對話,甚至是最近很多企業廣泛使用的電話機器人好不好用問題的解決,都是透過模仿開始的。而把機器人從軟體層面移植到硬體層面中就需要工程師們首先會看引導軟體在虛擬世界中是否表現良好,如果令人滿意,這個軟體就會被放進機器人體內,應用於物理世界。
但在物理世界中,看似很小的障礙都會讓機器人陷入困境,他們不可避免地遭遇“真實世界”帶來的無數巨大難題——那些無法預測的表面摩擦力、結構柔性、振動,以及機器人自身的感測器延遲、致動器轉化不良等等,這一連串障礙,幾乎沒有一個能用數學模型提前假設。
過去幾十年來,工程師其實也在不斷嘗試透過基於預測性數學模型(經典控制論)的軟體,去引導機器人進行肢體活動。然而,這個方法在引導機器人肢體執行行走、攀爬和抓取不同形狀物體這類極為簡單的任務時,被證明無效。
機器人在模擬環境中即使再應對自如,進入真實的物理世界,也會如懵懂孩童般跌跌撞撞。
機器學習或能彌合模擬與現實差距
當人們已習慣機器人數十年如一日的蹣跚學步,科學家們卻突然點亮了希望。
日前,蘇黎世聯邦理工學院機器人系統實驗室團隊在《科學·機器人學》上發表最新論文,給出了新證據表明,運用資料驅動法設計的機器人軟體,有很大希望解決機器人學和人工智慧研究長期面臨的巨大難題——模擬與現實之間的差距。
團隊演示的方法是將經典控制論與機器學習技術相結合。他們首先設計了一個四足機器人的傳統數學模型,並給機器人起名“ANYmal”。接下來,再從引導機器人四肢運動的致動器中收集資料,資料輸入多個人工智慧神經網路系統,從而建立了第二個模型。這個機器學習模型,就可以自動預測“AMYmal”機器人的肢體運動。經過訓練的神經網路,只要插入第一個模型中,就可以在電腦上模擬執行這個混合模型。
團隊發現這種利用資料驅動法設計的軟體,大大提高了機器人的運動技能——它速度更快,動作也更精準。而且先將運動策略在模擬器中最佳化,再轉入機器人體內在物理世界進行測試,最後機器人的表現,竟然和模擬表現一樣好。
混合模型是變革的第一步
這一成就,被認為是機器人及人工智慧的一項重要突破,其預示著,曾經不可逾越的模擬與現實之間的差距正在被消弭。
其也預示著新一輪人工智慧的重大變革,而混合模型,正是這場變革的第一步。之後,所有的分析模型都將面臨“下崗”。
透過機器人在現實環境中收集到的資料,訓練機器學習模型——這一方法也被稱為“端到端訓練”(end-to-end training)。其正緩慢但堅定地照進現實,在諸如關節式機械臂、多指機械手、無人機,甚至是無人駕駛汽車中得到應用。
或許不久的將來,機器人工程師將不必再“告訴”機器人如何走路、如何抓取,而是讓機器人利用自身收集得來的資料,進行自我學習。
不過,現階段其也存在一定挑戰。最重要的就是要最佳化可擴充套件性,以確定“端到端訓練”是否可以擴充套件用於引導擁有幾十個致動器的複雜機器,譬如類人機器人、製造工廠、智慧城市這一類大型系統,進而用數字技術幫助人類切實地提高生活質量。
《自然》觀點文章稱,對人類來說,當腦中對未來行動的思路越清晰,這個人的自我意識能力也就越高。現如今,機器人已經在學習的路上更進一步,其不僅是一次具有實際意義的突破,讓某些工程性勞動得以解放,還標誌著科學家們已開啟了“機器人自主時代”。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69925861/viewspace-2650215/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 學習 React.js 比你想象的要簡單ReactJS
- Some 困難的數論
- 人工智慧,中美之間的差距遠比你想象的大人工智慧
- PHP比你想象的好得多PHP
- 開發者 速度遠比你想象的重要
- 出門困難
- 講透JAVA Stream的collect用法與原理,遠比你想象的更強大Java
- 為什麼說超人工智慧永遠是悖論,理論與現實不可逾越的鴻溝人工智慧
- 樹迴歸|理論與演算法實現演算法
- 談理論與實踐
- 谷歌要統一字型:思源黑體 困難重重谷歌
- https理論與實踐HTTP
- 選擇學習目標的困難與焦慮
- 詳解Diffusion擴散模型:理論、架構與實現模型架構
- 攝影軟體“留拍”開發現狀與過程遇到的困難
- 一些困難題
- 斯德哥爾摩大學:研究發現你的嗅覺可能比你想象的更靈敏
- js正則理論與實踐JS
- 理解RESTful:理論與最佳實踐REST
- Code Review理論與實戰 (轉)View
- R-Drop論文復現與理論講解
- 你擁有的知識比你想象中更有意義和價值
- 遊戲背後的文化:心流理論與遊戲難度曲線遊戲
- 相親原始碼中移動支付的實現,沒有想象中那麼難原始碼
- 為什麼實施物聯網安全非常困難
- Kubuntu 專案遭遇困難(轉)Ubuntu
- ctfshow_web_1(困難題)Web
- 物聯網與共享經濟面臨的核心困難
- 闡述開發遊戲續作的困難與挑戰開發遊戲
- 三層架構--理論與實踐架構
- BRDF理論及shader實現(下)
- 打破虛擬與現實邊界的遊戲設計理論框架遊戲設計框架
- 直播特效的實現原理與難點特效
- 場,位,勢與逆熵過程——評《活著之上》熵
- Java 理論與實踐: 關於異常的爭論Java
- 程式設計師如何實現“網際網路+”02-你擁有的知識比你想象的更有意義和價值程式設計師
- 論文與專著:哪個更重要?
- [譯] WebAssembly中的記憶體(為什麼它比你想象的更安全)Web記憶體